JMP中最小二乘线性回归的斜率差异的样本量计算？我对样本量计算感兴趣，以检测两个最小二乘线性回归斜率的差异。我想检测斜率之间 10% 的差异。将有四个时间点。对于两个斜率，我在每个时间点需要多少次重复。JMP 中有没有办法做到这一点？如果没有，有公式吗？
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？JMP 以一种非常巧妙的方式在 DOE 中进行功率分析。 我没有说明显的方法。
功效分析需要指定最小效应大小。 DOE 的目的是为拟合特定模型提供最佳数据。 功效与模型中的系数有关，并测试它们的显着性与参数为零的零假设。 这意味着我们根据系数指定我们的最小影响。
好的，所以 JMP 使用编码因子水平。 这个事实意味着像 pH 值从 6.5 到 7.5 或时间从 10 到 20 分钟或温度从 25 到 35 摄氏度这样的真实因素被居中并按比例缩放，使得它们现在都在 -1 到 +1 的范围内。 如果您使用 JMP 设计了实验，则此转换是内部转换并在回归分析中自动执行。 您无需手动执行此转换。 假设您需要找到一个实际效果，即当温度从 25 摄氏度变为 35 摄氏度时，响应产率从 40 到 80 的最小变化。 这意味着预期系数将为 (80-40) / (35-25) = 4。 可是等等！ 使用编码级别的预期系数将为 (80-40) / (1-(-1)) = 20。 非常不一样！ 因此，了解您必须找到的最小变化以及 JMP 使用编码级别非常重要。
JMP 对因子水平进行编码的方式也意味着交互项的系数是两个斜率之间最小差值的一半。
如果我有一个模型，A 和 B 的斜率都只有 10（没有交互作用），那么斜率就没有差异。 如果我有一个斜率为 10 且 A 的交互系数为 -5 的模型，则 A 的斜率为 10 + (-5) = 5，B 的斜率为 10 + (+5) = 15。 “效应检验”报表中的假设检验将帮助您确定交互作用效应的估计系数是否显着。 功率分析与该决定相关。
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？嗨，马克，
我不太清楚倒数第二句是什么意思，“这个值是连续因子的全部效应的一半（最高因子水平和最低水平的响应之间的差异）..” 是坡度最大的线的终点值和起点值之差吗？ 还是两个斜率之间的平均值？
谢谢，
蒂姆·福赛思
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？最简单的方法是设计实验（选择 DOE > Custom Design）并使用内置的功率分析。
如果您坚持使用四个水平的连续因子（时间），则选择 Add Factor > Discrete Numeric。 （不要删除模型中时间的高阶项。）一阶模型（即直线响应）的优化设计只需要两个水平。 对于您想要进行的比较，另一个因素应该是具有两个级别（例如，A 和 B）的分类。
将交互项添加到模型中。 该术语是您测试的基础：如果组之间的斜率存在差异（A 与 B），则将产生显着的交互作用。
选择您认为足以获得所需功效的运行次数，然后估计功效。 您必须输入检验的显着性水平、响应的标准差以及交互作用项的预期系数。 该值是连续因子的全部效应的一半（最高因子水平和最低水平的响应之间的差异）。 它是一个绝对值，因此您必须将您的相对效应大小（即 10%）转换为实际差异。
如果功率足够，那么你就完成了。 单击制作表格并收集您的数据。 当您拥有所有数据时，模型表脚本将开始分析。
如果功率不是您想要的，则调整运行次数。 添加运行以增加功率，如果功率太高且不经济，则减少运行。
回复：JMP 中最小二乘线性回归斜率差异的样本量计算？
@timothy_forsyth写道：
我对样本量计算感兴趣，以检测两个最小二乘线性回归斜率的差异。我想检测斜率之间 10% 的差异。将有四个时间点。对于两个斜率，我在每个时间点需要多少次重复。JMP 中有没有办法做到这一点？如果没有，有公式吗？
正确的标题是“JMP 中最小二乘线性回归斜率差异的样本大小计算”。
